Curso de Phyton + Machine Learning

El Curso de Phyton + Machine Learning se imparte en modalidad Online.

El machine learning es la ciencia de desarrollo de algoritmos y modelos estadísticos que utilizan los sistemas de computación con el fin de llevar a cabo tareas sin instrucciones explícitas, en vez de basarse en patrones e inferencias.

PRÁCTICAS EN EMPRESA
Incluidas

No existen requisitos previos ya que el enfoque del curso está destinado a formar a los alumnos desde cero en las competencias profesionales en Machine Learning.

SALIDAS PROFESIONALES
Al final de este curso, los alumnos estarán preparados para dar el salto al mundo profesional, con varias especialidades y un currículum actualizado y reforzado. Por ello, el campo laboral de estos expertos es muy amplio, desde áreas de análisis de datos, desarrollo de software, marketing y publicidad, industria, investigación e innovación.

Crear máquinas con las mismas capacidades racionales que el ser humano a partir de la imitación de los procesos cognitivos. Podemos decir que Machine Learning es, entonces, un subconjunto de la IA especializado en las técnicas de aprendizaje orientadas a la realización de tareas.

Introducción al Machine Learning
MÓDULO 1: INTRODUCCIÓN AL MACHINE LEARNING
Tema 1: Introducción al Big Data y Machine Learning
- Introducción al Machine Learning
- ¿Qué ha motivado este renacer del ML?
- Machine Learning vs IA vs Deep Learning
- Aplicaciones del Machine Learning

Tema 2: Librerías numéricas de Python y Scikit-learn
- Tratamiento de datos de datos con Pandas y Numpy
- Representación de datos con Matplotlib

Tema 3: Preprocesamiento de datos
- Pasos en el desarrollo de un proyecto de ML
- ¿Qué problemas podemos encontrar en nuestros datos?
- (Data Quality / Garbage in - Garbage out
- Preprocesamiento y limpieza de datos con Python (NAs, duplicados, normalización, outliers, clases desbalanceadas, One Hot Encoding)

MÓDULO 2: APRENDIZAJE SUPERVISADO
Tema 1: Introducción a los modelos de aprendizaje supervisado
- Texto: Aprendizaje supervisado vs aprendizaje no supervisado vs aprendizaje por refuerzo
- Texto: Clasificación vs regresión
- Modelos de aprendizaje supervisado

Tema 2: Modelos de Regresión
- Introducción a los modelos de Regresión
- Modelo de regresión líneal simple y múltiple
- Correlación
- Coeficiente de determinación
- Trade off sesgo y varianza

Tema 3: Modelos de clasificación
- Introducción a los modelos de clasificación
- Concepto de threshold
- Matriz de confusión
- Precisión vs especificidad vs sensibilidad
- Modelo de Regresión logística
- Modelo de árbol de decisión
- Métodos ensamblados
- Random forest
- Modelo de K – vecinos próximos
- ¿Cómo se calcula la distancia entre dos vecinos?
- Escoger el mejor valor de k

MÓDULO 4: APRENDIZAJE NO SUPERVISADO
Tema 1: Introducción al aprendizaje no supervisado
- Introducción al clustering
- Casos de uso
- K – Medias
- Método del codo
- Modelos avanzados de clustering (Mean shift, Agrupamiento jerárquico, DBSCAN)
- Aplicaciones de la reducción de la dimensionalidad
- PCA

MÓDULO 5: DESARROLLO DE SISTEMAS DE APRENDIZAJE AUTOMÁTICO
Tema 1: Machine Learning en la nube
- Introducción al Cloud Computing
- Principales proveedores (AWS, GCP, Azure)
- Ventajas del Cloud
- Azure ML Designer
- AutoML

Tema 2: Machine Learning sin código
- Librería Pycaret
- Librería Lazypredict
- Knime